Derivation and Validation of a Model to Predict Daily Risk of Death in Hospital
Notice bibliographique
Résumé
BACKGROUND: As electronic patient data from automated hospital databases become increasingly available, it is important to explore the ways in which these data could be used for the purposes other than patient care, such as quality assurance and improvement. OBJECTIVE: To determine if information from automated patient databases can be used to derive a model that can predict patients' daily risk of death in hospital. Such a model could be used to improve the ability to risk-adjust hospital mortality rates. STUDY DESIGN AND SETTING: Retrospective cohort study of 159,794 hospitalizations at The Ottawa Hospital between April 1, 2004 and March 31, 2009. The model was derived using time-dependent Cox regression methods on a random two-thirds of admissions. The model was validated by applying the coefficients to the other third of admissions. RESULTS: Inpatient mortality was 5%. The final model included: patient age; admission type; intensive care unit status; alternative level of care status; and separate scores for patient comorbidity, in-hospital procedures, and acute illness (using information from 14 laboratory tests). In the validation set, the model had excellent discrimination (c-statistic 0.879, 95% confidence interval: 0.872-0.886) and calibration in all risk strata over all admission days. CONCLUSION: We found that information from our hospital's automated patient databases could be used to accurately predict patients' daily risk of death in hospital. The predictions from this model could be used in quality of care analyses to more accurately risk-adjust hospital mortality rates and by hospitals to improve triage processes and patient flow.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».